From f7e49dd58d78e9822706c7bee7b732249386c313 Mon Sep 17 00:00:00 2001
From: Maxxhim <maxc2507@gmail.com>
Date: Fri, 3 Apr 2020 14:31:55 +0200
Subject: [PATCH] add matrix multiplication
---
functions.py | 24 ++++++++++++------------
1 file changed, 12 insertions(+), 12 deletions(-)
diff --git a/functions.py b/functions.py
index ec4d573..1da8911 100644
--- a/functions.py
+++ b/functions.py
@@ -143,8 +143,8 @@ class MatMul(_Function):
# TODO: Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
- self.dx = None
- self.dy = None
+ self.dx = np.add(self.x.data.transpose(), self.y.data)
+ self.dy = np.add(self.x.data, self.y.data.transpose())
#######################################################################
# --------------------------- END OF YOUR CODE ------------------------
#######################################################################
@@ -156,7 +156,7 @@ class Exp(_Function):
def __init__(self, x):
super().__init__("Exp", x)
#######################################################################
- # TODO: Implement the forward pass and put the result in self.result.
+ # Implement the forward pass and put the result in self.result.
# The notbook provide you the formulas for this operation.
#######################################################################
self.result = np.exp(self.x.data)
@@ -166,7 +166,7 @@ class Exp(_Function):
def _backward(self, grad):
#######################################################################
- # TODO: Implement the derivative dx for this opetation and add the
+ # Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
self.dx = grad * np.exp(self.x.data)
@@ -181,7 +181,7 @@ class Log(_Function):
def __init__(self, x):
super().__init__("Exp", x)
#######################################################################
- # TODO: Implement the forward pass and put the result in self.result.
+ # Implement the forward pass and put the result in self.result.
# The notbook provide you the formulas for this operation.
#######################################################################
self.result = np.log(self.x.data)
@@ -191,7 +191,7 @@ class Log(_Function):
def _backward(self, grad):
#######################################################################
- # TODO: Implement the derivative dx for this opetation and add the
+ # Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
self.dx = grad * 1/(self.x.data)
@@ -206,7 +206,7 @@ class Sin(_Function):
def __init__(self, x):
super().__init__("Sin", x)
#######################################################################
- # TODO: Implement the forward pass and put the result in self.result.
+ # Implement the forward pass and put the result in self.result.
# The notbook provide you the formulas for this operation.
#######################################################################
self.result = np.sin(self.x.data)
@@ -216,7 +216,7 @@ class Sin(_Function):
def _backward(self, grad):
#######################################################################
- # TODO: Implement the derivative dx for this opetation and add the
+ # Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
self.dx = grad * np.cos(self.x.data)
@@ -231,7 +231,7 @@ class Cos(_Function):
def __init__(self, x):
super().__init__("Cos", x)
#######################################################################
- # TODO: Implement the forward pass and put the result in self.result.
+ # Implement the forward pass and put the result in self.result.
# The notbook provide you the formulas for this operation.
#######################################################################
self.result = np.cos(self.x.data)
@@ -241,7 +241,7 @@ class Cos(_Function):
def _backward(self, grad):
#######################################################################
- # TODO: Implement the derivative dx for this opetation and add the
+ # Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
self.dx = grad * (-np.sin(self.x.data))
@@ -256,7 +256,7 @@ class Tan(_Function):
def __init__(self, x):
super().__init__("Tan", x)
#######################################################################
- # TODO: Implement the forward pass and put the result in self.result.
+ # Implement the forward pass and put the result in self.result.
# The notbook provide you the formulas for this operation.
#######################################################################
self.result = np.tan(self.x.data)
@@ -266,7 +266,7 @@ class Tan(_Function):
def _backward(self, grad):
#######################################################################
- # TODO: Implement the derivative dx for this opetation and add the
+ # Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
self.dx = grad * (1/np.square(np.cos(self.x.data)))
--
GitLab